MétaCan
Menu
Retour à la cohorte
Enregistrement W4405175734 · doi:10.1016/j.ophtha.2024.12.006

Face Masking and Risk of Endophthalmitis after Intravitreal Injection

2024· article· en· W4405175734 sur OpenAlexafffund
Brendan Tao, Xiaole Li, Ryan S. Huang, Andrew Mihalache, David Gou, Dena Zeraatkar, Jim Shenchu Xie, Marko M. Popovic, Kirill Zaslavsky, Eduardo Navajas, Peter J. Kertes, David T. Wong, Radha P. Kohly, Rajeev H. Muni

Notice bibliographique

RevueOphthalmology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Infections and Treatments
Établissements canadiensSt. Michael's HospitalSunnybrook Health Science CentreNorth Toronto Eye CareMcMaster UniversityUniversity of TorontoImpactUniversity of British Columbia
Organismes subventionnairesUniversity of Toronto
Mots-clésMedicineEndophthalmitisMasking (illustration)OphthalmologyMeta-analysisOptometryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Topic: To compare face-masking protocols for post-intravitreal injection endophthalmitis (PIE) prophylaxis. Clinical Relevance: Although mask mandates are lifted, ophthalmologists may question whether continued investment into face masks will influence rates of PIE. Methods: We included comparative studies of PIE incidence by masking policy (i.e., standard care [no restrictions], no-talking, physician masking, or universal masking [patient and physician]). A frequentist network meta-analysis (Mantel-Haenszel method with fixed effects) synthesized direct and indirect evidence. Subgroup analysis excluded studies that systematically introduced new prophylactic techniques (e.g., prefilled syringes) during the observation period. The Risk of Bias in Nonrandomized Studies of Interventions Risk of Bias in Nonrandomized Studies of Interventions and Grading of Recommendations, Assessment, Development, and Evaluation tools evaluated risk of bias and evidence certainty. Results: We analyzed 17 studies (2 595 219 injections, 830 events [0.032%]). For the overall PIE outcome (17 studies; 2 595 219 injections), PIE incidence was significantly lower with no-talking (odds ratio [OR], 0.56; 95% confidence interval [CI], 0.39–0.82; I 2 = 0%) and physician masking (OR, 0.72; 95% CI, 0.53–0.99; I 2 = 0%) policies when compared to standard care. Although PIE rates between standard care and universal masking did not differ in the main analysis (OR, 0.83; 95% CI, 0.67–1.02), subgroup analysis revealed a significantly lower rate of any PIE with universal masking (OR, 0.70; 95% CI, 0.55–0.91; I 2 = 0%) compared with standard care. For the culture-positive (14 studies; 2 347 419 injections), Streptococcus (10 studies; 1 966 903 injections), and culture-negative (15 studies; 2 213 322 injections) outcomes, PIE rates between pairs of intervention groups generally did not reach significance, likely due to limited study power. As one exception, the incidence of culture-positive PIE was significantly lower with a no-talking policy (OR, 0.45; 95% CI, 0.23–0.92; single direct estimate) compared with standard care, although this result was not consistent in the subgroup analysis. As well, in the subgroup analysis, universal masking was significantly associated with a lower incidence of culture-negative PIE than standard care (OR, 0.68; 95% CI, 0.47–0.98; I 2 = 0%). Discussion: Low- or very low-certainty evidence suggests that no-talking and physician masking policies may reduce PIE rates compared with standard care. Although data were available only for endophthalmitis, the overall comparative safety of these interventions remains unclear. Financial Disclosure(s): The author(s) have no proprietary or commercial interest in any materials discussed in this article.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,372

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,282
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOphthalmologyMême sujetOcular Infections and TreatmentsTravaux en français237 207